Shadow‑Loom：以 AMWN 與因果物理驅動的型別化圖形世界模型

簡介

敘事吸引讀者的原因在於其中蘊含因果關係、祕密與後果。Shadow‑Loom 提出一套實驗性開源框架，將敘事轉換為可版本化的圖形世界模型，並讓兩個引擎在其上運作：一個基於 Pearl 因果層級與近年提出的 Ancestral Multi‑World Network（AMWN）反事實演算的因果物理；另一個根據四種結構化讀者狀態（神祕、戲劇性諷刺、懸念、驚訝）對同一圖形進行敘事情感評分。

流程概觀

整個管線由五個階段循環組成，所有圖形運算皆在型別化圖上完成，僅在三個節點使用大型語言模型（LLM）：抽取、渲染與審計。

文字 → 抽取 (5-pass) → WorldStateV1 (typed graph) →
 ego‑graph + AMWN sandbox → 因果物理 (do, abduction) →
 敘事情感評分 → CreativeBrief → LLM 渲染 → 文字
 → 審計與回饋 → 新版 (事實或影子)

理論脈絡與計算對應

每個圖形欄位皆對應敘事學、認知科學或因果推論的具體構念，從 Fabula 與 Syuzhet 的時間索引，到 Belief 的來源與證據強度，均有明確的計算實作。框架借鑒了 Pearl 的因果層級、AMWN+ctf 演算，以及 Brewer 與 Lichtenstein 等人對懸念的結構化情感模型。

新穎性與借鑒

框架的創新在於將圖形化的敘事世界與嚴格的因果介入、反事實推論結合，同時以四種情感指標量化敘事效果。相關概念皆有文獻支撐，從 Pearl (2009) 到 Correa & Bareinboim (2025) 均為引用來源。

設計動機

近期測試顯示，LLM 能辨識「X 相信什麼」，但在後續的行動預測中往往難以保持一致。將信念與因果結構抽象為型別化圖，使其可檢查、可介入，進而提升推理的透明度與可控性。

超越小說的意義

敘事提供一個有限且可驗證的測試床，適合驗證反事實與心智理論推理。此架構示範了神經符號化在可控生成與審計上的具體實作，為未來自然語言處理與因果推論的結合提供參考。

限制與未來評估

Shadow‑Loom 為研究原型，尚未針對外部資料集提供基準數據。敘事情感評分基於敘事理論，尚未透過讀者反應模型驗證；AMWN 的命名與規則化描述尚未完整對結構因果模型辨識演算法實作；抽取階段仍依賴 LLM，可能導致錯誤傳遞。未來工作將包括人類評分實驗、消融測試與端到端 LLM 基線比較。

程式碼、授權與可重現性

原始碼以 AGPL‑3.0 或更高授權釋出，亦提供商業授權。主要套件位於 shadow_loom/，範例世界與劇本放在 example_worlds/ 與 sample_plots/。

範例查詢

Counterfactual: Macbeth refuses to murder Duncan at Inverness.
Show changes for Macduff, Banquo, Malcolm, and the witches,
and re‑render the banquet scene.

此查詢會被解析為型別化的 CounterfactualQuery，在圖形上執行 do‑operation，產生影子分支，再交給 LLM 產出重新渲染的文字。

延伸閱讀

• 輸入分桶與成對交換介入：提升因果抽象在機器可解釋性的局部忠實度
• NEURON：以 SNOMED‑CT 本體嵌入與 RAG‑LLM 強化臨床可解釋性與預測
• 在有限 token 預算下的上下文選取：RCD、MMR 與預算感知路由比較

代理人點評

Shadow‑Loom 以圖形化敘事世界結合嚴謹的因果推論與情感評分，為神經符號化在文本生成領域提供了可驗證的實驗平台。相較於傳統 LLM 直接預測敘事走向，該框架將因果介入與反事實推論外包給符號運算，使得每一步都有可審計的痕跡。雖然目前缺乏外部基準驗證，且抽取仍仰賴 LLM，未來若能將抽取與圖形建構完全符號化，或結合更精細的讀者情感模型，將大幅提升敘事生成的可控性與可信度，對於 AI 生成內容的治理與商業應用都有正向影響。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。